Proyecto informe HABI

INFORME PROYECTO HABI

La base de datos Habi es una base de datos relacional; la cual cuenta con 244.000 inmuebles(columnas) y 32 variables(caracteristicas).El principal objetivo es explorar como es el comportamiento del precio con diferentes variables por lo que hemos elegido de las 32 variables las que en primera medida se consideran mas importantes en la estimación del valor de venta

Limpieza

Para el siguiente informe hemos cargado las siguientes librerias:

## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──

## ✓ ggplot2 3.3.5     ✓ purrr   0.3.4
## ✓ tibble  3.1.6     ✓ dplyr   1.0.7
## ✓ tidyr   1.1.4     ✓ stringr 1.4.0
## ✓ readr   2.1.1     ✓ forcats 0.5.1

## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

train_data_final_copia <-read_excel("/Users/cesarcarrascal/Desktop/claseR/data/train_data final copia.xlsx")

Variables

De las 32 variables que tenemos en el df hemos elegido las 10 variables que en primer analisis consideramos mas importantes y mass representativos en la relación con el valor de inmueble:

valorventa,estrato,area,habitaciones,vista,tipo inueble.,estudio,remodelado.

Antes de inciar el analisis y solución de las hipotesis hemos destinado un apartado en la limpieza y transformación de datos, a causa de varias inconsistencias en los datos que no permiten la verasidad y el adecuado manejo de datos:

Limpieza de datos

Al revisar la df hemos encontrado :

-Corregir/convertir NAN en 0 (presentes en 22 de las 32 variables) He intentado con las distintas formas

train_data_final_copia <- mutate_all(train_data_final_copia, ~replace(., is.na(.), 0))

train_data_final_copia %>% mutate_at(vars(-one_of(names(.)[sapply(., is.POSIXct)])), funs(replace(., is.na(.), 0)))

train_data_final_copia <- mutate_all(train_data_final_copia, ~replace(., is.na(.), 0))
df_nuevo=train_data_final_copia

-Corregir anomalias y datos que no son posibles(posibles data corrupción, errores de input o no han sido especificados) aqui encontramos:

-Variable area inmueble= 0 -Estrato socieconómico=0

#filtro eliminar datos anormales como lo son area = 0 y estrato 0
library(dplyr)
library(tidyverse)
train_data_final_copia %>% filter(area!= 0,estrato> 0)

-Presencia de gran cantidad de outliers,en varias variables que determinamos importantes

prueba=df_nuevo %>% filter(valorventa>=quantile(valorventa)[2] ,
                           valorventa<=quantile(valorventa)[4] ,
                           area>=quantile(area)[2],
                           area<=quantile(area)[4])

Con lo anterior hemos corregido los errores y ademas hemos disminuido los datos a analizar gracias a los fritos, en este caso es necesario y permitira como lo veremos mas adelante ver el antes y el despues -> Hemos filtrado y retirado de la df inicial 156532 datos, obteniendo 87.956 inmuebles

## [1] 152635      0

Analisis de datos y desarrollo hipotesis

Ya habiendo preparado la DF podemos iniciar con las hipotesis y el analisis respectivo de los datos:

###### creacón de histograma con la distribucion de los inmuebles

hist(x=prueba$valorventa)

la primer hipotesis consiste en determinar si existe una correlacion positiva entre valor de venta de los inmuebles , los estratos socioeconomicos y el area del inmueble; para eso hemos creado un mapa de dispersion en el cual relaciona el area del inmueble con el precio del inmueble, si bien por la densidad de los datos puede el analisis no ser claro al agregar el atributo estrato, se comprueba como a mayor area y mayor estrato tendra un mayor valor de venta, asi mismo podemos concluir :

library(ggplot2)

ggplot(prueba,aes(x=valorventa,y=area,color=as.factor(estrato)))+geom_point()

podemos ver que el estrato 3 y 4 podria considerarse de los mejores para comprar inmueble debido a que se pueden encontrar inmuebles grandes a un precio considerablemente más económico con estratos 5 y 6, en donde al mismo precio se encuentra casi a la mitad del area

distri_grouparea1=prueba %>% mutate(grupos_areas=ifelse(area<80,"menor 80",
                                                       ifelse(area<100,"entre 80 y 100", 
                                                              ifelse(area<140,"entre 100                                                                                   y 140",
                                                                "mayores 140"))))

Hemos creado una columna en donde hemos categorizado la variable area, para aasi poder Con la creaciónde intervalos que nos ayuden a distinguir el tamaño de los inmuebles, haciendo 4 grupos, lo que compararemos el promedio de precio de inmuebles con esos tamaños

distri_grouparea=distri_grouparea1 %>% 
  group_by(grupos_areas) %>%  
  summarise(mean_precio=round(mean(valorventa)/1000,2) ) 
distri_grouparea

vista

Las personas suelen escoger lugares que puedan tener vista exterior, ya sea por el sol, por gusto o porque generalmente no tiene otro edificio al frente, teniendo en cuenta lo anterior existe un cambio en el comportamiento del precio en un inmueble con vista externa? es mas costos o no tiene alteracíon

boxplot(prueba$valorventa ~ prueba$vista ,
 col = c("#FFE0B2", "#FFA726", "#F57C00"))

la media de precios de los inmuebles con vista exterior si se encuentra por encima que los que no tienen o los que tienen vista interior por lo que la hipotesis es correcta, también encontramos que los inmuebles con vista interior tienen bastantes datos atipicos por lo que posiblemente cuenten con otras caracteristicas que influyan mas que esta.

Habitaciones

habitaciones_analisis=prueba %>% filter(habitaciones>=1,habitaciones<=5)

distri_grouphabitacones1=habitaciones_analisis %>% mutate(grupos_habitaciones=ifelse(habitaciones==1,"Una habitacion",
                                                        ifelse(habitaciones==2,"Dos habitaciones", 
                                                                      "Tres habitaciones")))


distri_habitaciones=distri_grouphabitacones1 %>% 
  group_by(grupos_habitaciones) %>%  
  summarise(mean_precio=round(mean(valorventa)/1000,2) )

distri_habitaciones

*revisar tabla.. ### resumen de variable dicotomicas La principales caracteristicas de una variable cualitativa binaria o dicotomica consiste en tomar valor de 0= “no tiene” o 1 =tiene la caractersitica. estas variables nos ayudan a definir si el inmueble cuenta con la caracteristicas posiblemente tendra un mayor precio que si no.

““sera esto cierto?!””

Remodelado

sum_var_remodelado=prueba %>% group_by(remodelado) %>% 
  summarise(mean_precio=round(mean(valorventa)/1000,2),
            cantidad_inmuebles=n()
            )

sum_var_remodelado

El precio de un inmueble remodelado tiene un promedio mayor que los que no tambien es interesante revisar la cantidad de inmuebles remodelados y no remodelados

Estudio

sum_var_estudio=prueba %>% group_by(estudio) %>% 
  summarise(mean_precio=round(mean(valorventa)/1000,2),
            cantidad_inmuebles=n()
  )

sum_var_estudio

Ascensor

sum_var_ascensor=prueba %>% group_by(ascensor) %>% 
  summarise(mean_precio=round(mean(valorventa)/1000,2),
            cantidad_inmuebles=n()
  )

sum_var_ascensor

En conclusión hemos podido ver y analizar las variables y su comportamiento, y queda por explorar y la necesidad de encontrar mas insights pero se ha construido el analisis en donde podemos verificar que el precio si esta regido por variables como el estrato, el area tio de vista, si esta o no remodelado etc otra conclusion es que en el siguiente modullo se debe revisar las variables longitud y latitud debido a que no fue posible graficar una muestra y analizarla como corresponde